مقدمه ای کوتاه بر معاملات الگوریتمی

معاملات الگوریتمی (Machine Trading) مبحث شناخته شده ای است که در سال های اخیر محبوبیت زیادی پیدا کرده است.در سال 2018 تخمین زده میشود که به میزان یک تریلیون دلار در صندوق ها و مجموعه های زیر مجموعه‏ ی پوشش ریسک که تحت معاملات ماشینی هستند، سرمایه گذاری شده است که این میزان تقریبا دوبرابر میزانی است که در ده سال گذشته در آن سرمایه گذاری شده بود.

در عصر دیجیتال سازی و یادگیری ماشین، میزان زیادی از افزایش علاقه نسبت به معاملات الگوریتی به جای سرمایه گذاری صرف دیده میشود. بسیاری از سرمایه گذاران قدیمی و با سابقه در حال جذب افرادی هستند که با یادگیری ماشین (Machine Learning) و یا علم اطلاعات (Data Science) آشنایی دارند و آنها امیدوارند که به کمک این دانش دقیق بتوانند میزان سود خود را افزایش دهند.

آفرینش معاملات الگوریتمی

ایده معاملات الگوریتمی ایده جدیدی نیست و ریشه های آن را میتوان در فعالیت های هری مارکوویتز پیدا کرد.در سال 1952 او در مقاله ای به نام "انتخاب سبد سهام" که در یک ژورنال مالی به چاپ رسید، او از ایده ای پرده برداشت که در آن به کمک یک مدل ریاضیاتی مسئله پیدا کردن بهینه پورتفو را حل میکرد.

بسیاری از پیشرفت ها در زمینه معاملات الگوریتی به وسیله انفجار فناوری که در بیست سال گذشته رخ داد انجام پذیرفت. با قدرت زیاد محاسبات منابع بیشتری برای ایجاد مدل های جدید که روز به روز بر تعداد آنها افزوده میشود و همچنین تعداد زیادی از دانشمندان علم ریاضی و علم کامپیوتر که علم مالی را پشت سر میگذارند فضای مناسبی فراهم شده است.

مطمئناً فضای مناسبی که برای شروع در زمینه علاقه مندی به معاملات الگوریتی در واقعیت میتوان ترسیم کرد چیزی نیست جز پاسخ به سوال مهم " چگونه میتوان میزان سود و بازگشت را بیشتر و ریسک را کمتر کرد؟".

وقتی عمیق تر به این دو مسئله یعنی افزایش سود و همچنین کاهش ریسک نگاه میکنیم، میبینیم که در حقیقت عمق و پایه ای مسئله یک سوال بهینه سازی میباشد و پاسخ آن را باید در علم ریاضیات جست و جو کرد!

این مهم و ارزشمند است که به آن اشاره کنیم که تمام پروسه و فرآیند معاملات الگوریتی در حقیقت از یک مسئله بهینه سازی ناشی میشوند و قبل از هرچیز باید به این مسئله توجه لازم کرد.

پس میتوان گفت مسئله محوری ما در معاملات الگوریتمی به طور خلاصه این است:

چگونه یک نفر میتواند سود و ریسک را پیشبینی کند؟

چیزی که معامله گران و محققان الگوریتمی سعی در انجام آن دارند چیزی جز پیشبینی ریسک و سود نیست البته روشهایی که برای این کار انجام می پذیرد ممکن از جایی به جای دیگر متفاوت باشد اما همواره مسئله اصلی همان است.

پیشبینی سود و ریسک

مطلب اول و اصلی ای که در ابتدا میخواهیم به آن اشاره کنیم این است که چگونه معامله گران و محققان پیشبینی می کنند. در اینجا راه های زیادی برای این کار وجود دارد، یکی از آنها بررسی به کمک تحلیل های آماری قیمت ها و دیگری بررسی دیتاست های جایگزین می باشد.

یک مثال معروف از دیتاست های جایگزین، تصویر بزرگی از توقفگاه های تعداد زیادی از خرده سهامداران میباشد، بدین معنی که زمانی که تعداد زیادی از سهامداران خرد از یک سهم خریداری میکنند در حقیقت سود آن شرکت در حال افزایش است.

این مثال در دسته بندی رفتار خریداران دسته بندی میشود و ما دسته بندی زیادی داریم که از آنها میتوانیم انتخاب کنیم. صنعت داده های جایگزین در دهه گذشته شکوفا شده است زیرا تقریباً نیمی از صنعت صندوق های پوشش ریسک از این روش برای فرآیند سرمایه گذاری خود متکی هستند.

مسئله اصلی ای که در صنعت داده های جایگزین وجود دارد این است که به کمک آنها مدیران مالی میتوانند دید بهتری برای پیشبینی بازدهی داشته باشند تا این که به اجماعی در این زمینه برسند.به این نقطه لبه می گویند!

البته روشهای دیگری از لبه نیز برای مدیران مالی وجود دارد که برای افرایش سود به آنها اتکا میکنند ولی یکی از این روشها را میتوان دیتای بهتر در نظر گرفت.

چالش

در عمل، پیشبینی ریسک و بازدهی به این برمیگردد که دیتای ما به چه میزان زیاد و نویز دار است. همچنین اگر یک نفر قادر به پیشبینی یک میزان از دقت است این میزان از دقت در طول زمان تمایل به کاهش دارد.

به طور مثال فرض کنید یک پیشبینی این باشد که یک سهم خاص هنگامی که یک اتفاق خاص میفتد با افزایش قیمت همراه است و استراتژی معامله در اینجا این است که این سهام در هنگام رخ دادن این اتفاق خریداری شود و با بدست آمدن سود فرض شده بعد از مدتی کوتاه به فروش برسد.

یکی از مشکلاتی که ممکن است این استراتژی ایجاد کند این است که قیمت سهام کمی بالاتر برود و این به این معنی میباشد که پولی که برای خریدن سهام لازم است بدهیم بیشتر شده است و این یعنی میزان بهره وری ما کمتر خواهد بود.

اینکه یک فرد سهام کوچکی را بخرد در حقیقت باعث تغییری در قیمت آن سهام نمیشود و در اصطلاح مالی میتوان گفت که این خرید سهام در بازار اثری ندارد. پس در حقیقت یک تعادل باید برای پیشگو بین اینکه بخواهد اثر کمی در بازار داشته باشد یا اینکه به میزانی که بتواند خرید کند تا سود کند باید برقرار باشد.

بگذارید این مثال را دنبال کنیم و فرض کنیم که در این بازار افراد دیگری وجود دارند که از قضا پیشبینی های خوبی در سهم موردنظر دارند. آنها در اینجا دیگر خرید سهام را متوقف میکنند و دست نگه میدارند که این بدین معنی است که دیگر قیمت سهم بالاتر نمیرود و اینجا سهام دار ما که در قبل در موردش صحبت شد در نتیجه سودی که قرار بود بکند کمتر میشود و این نتیجه تصمیم آنها است.

این دقیقا نکته بسیار مهم در معاملات الگوریتمی است که میزان سود استراتژی ها در طول زمان زیاد تمایل دارند که کاهش یابند که این دلیل این است که معامله گران همواره در پی کالیبره کردن دوباره استراتژی خود و پیدا کردن استراتژی بهتر هستند.

مسابقه صفر

نوع دیگری از لبه به تجهیزات تکنولوژی بهتر برمیگردد. در حقیقت اگر یک نفر بتواند از بازار سریع تر معامله کند، از تمام رقیبانش که از اطلاعات یکسانی بهره می برند جلوتر می افتد و همچنین میتواند بازدهی بیشتری داشته باشد.

این مسئله مبحثی به نام معامله با فرکانس بالا را پایه گذاری میکند که در آن از ابزار پردازش و اجرای با سرعت بالاتر و همچنین بازدهی بیشتر و یا میزان بیشتر معامله ها در مقابل دیگر معامله گران، استفاده میگردد. این نوع خاص از معامله به شکل عمیقی بر دیتای مالی و ابزار الکترونیکی با فرکانس بالا تکیه دارد.

به کمک این این قضیه هیچگاه پایانی بر افزایش سرعت ماشین های معامله گر وجود ندارد. در ابتدا میتوان به کمک بهبود ساختار کد زده شده و در مراحل بعدی به کمک ابزار سخت افزاری که مثلا بر روی GPU اجرا شود و یا بر روی FPGA میتوان این ساختار را بهبود داد که صد البته به برنامه نویس و توسعه برنامه نویس نیز مرتبط می باشد.

یکی دیگر از روشهایی که برای افزایش سرعت در صندوق های پوشش ریسک و یا موسسات مالی استفاده میشود نیز بیشتر کردن سرعت ارتباط بین سرور ها و محل های معامله گری میباشد.

یک مثال معروف در این زمینه میتوان به سرور های فیبر نوری که در شیکاگو در حال معامله بر روی NASDAQ در نیوجرسی در سال 2010 بودند که ارزش کلی آنها حدودا 300 میلیون دلار بود. این کابل قادر بود که اطلاعات را در این فاصله 800 مایلی در 6.5 میلی ثانیه انتقال بدهد که این رقم در حقیقت برابر با سرعت به ازای هر 125000 مایل در ثانیه بود.

برای تطبیق با معامله گرانی که نیاز به معامله های سریع تر دارند نیاز است محلهایی که برای معامله استفاده میشود در آنها سرورهایی تعبیه شود که به آنها نزدیک باشد و سرعت معامله بالاتر باشد.

خلاصه

در این مقاله ما به بررسی ایده اصلی معاملات الگوریتمی پرداختیم و سپس در مورد بیشترین مشوق های توسعه این کار پرداختیم و در نهایت به بررسی برخی از چالش های آن پرداختیم.

مقاله اصلی: A brief introduction to algorithmic trading

مترجم: محمدامین مرتضایی- گروه مالی صدرا